MétaCan
Menu
Retour à la cohorte
Enregistrement W4313281824 · doi:10.3390/app122412905

An Approach to Improve the Resolution of DLP 3D Printing by Parallel Mechanism

2022· article· en· W4313281824 sur OpenAlexaff
Junjie Huang, Bowen Zhang, Junfeng Xiao, Qinlei Zhang

Notice bibliographique

RevueApplied Sciences · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing and 3D Printing Technologies
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceProjection (relational algebra)Process (computing)Computer visionArtificial intelligenceResolution (logic)Orthographic projectionFeature (linguistics)Computer graphics (images)Algorithm

Résumé

récupéré en direct d'OpenAlex

For 3D printing based on Digital Light Processing (DLP) technology, the tradeoff of size and resolution remains challenging due to the limitations of the existing techniques. Therefore, we propose an approach to improve the feature resolution without sacrificing the part size. It is achieved by changing the projection distance and then adjusting the projection resolution and format, which is different from the previous printing principle of fixed resolution. To achieve this process, the tripteron 3-Degree-of-Freedom (3-DoF) parallel mechanism is innovatively applied to the DLP 3D printing structure, which simplifies the control process. Since the projection is fixed on the motion platform, the projection distance changes as the platform moves in space. Then the PLC-based program is developed according to the motion process, which successfully runs on the established prototype. Finally, the experiments are designed through the orthogonal method to optimize the molding process parameters. The effectiveness of the approach is verified by the feature forming comparison experiment. The results show that it can reduce the size of features by about 1.3 times through adjusting the projection resolution under the same size parts. Our method provides a new way for solving the contradiction, but more research needs to be done.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,440
Score d'incertitude au seuil0,347

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,015
Tête enseignante GPT0,216
Écart entre enseignants0,201 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations26
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied SciencesMême sujetAdditive Manufacturing and 3D Printing TechnologiesTravaux en français237 207